-
Patent Agency Ranking
公开(公告)号：CN111860974B
公开(公告)日：2022-11-01
申请号：CN202010613418.5
申请日：2020-06-30
Applicant: 中国地质大学(武汉)
Abstract: 本发明提供了一种基于状态空间和联合分布的干旱多级预测方法，包括：首先提取干旱指数SPI时间序列，利用一阶状态空间模型解译干旱指数SPI时间序列的状态转移矩阵，并计算待预测时段的干旱状态概率矩阵；然后提取待预测时段前一时段的相关因子，构建每种干旱状态下的相关因子和干旱指数SPI时间序列的联合概率分布，推求相关因子给定情况下的干旱指数的条件概率模型；最后，计算待预测区域在待预测时段T的干旱指数的全状态分布；基于所述干旱指数的全状态分布，计算得到干旱指数的均值和90％概率区间。本发明的有益效果是：状态空间方法能反映干旱不确定性本质；通过多重预测和分类别引入影响因子能提高干旱预测的精度；过程考虑更加全面和精细化。
-
公开(公告)号：CN116756498A
公开(公告)日：2023-09-15
申请号：CN202310394278.0
申请日：2023-04-13
Applicant: 中国长江电力股份有限公司 , 中国地质大学(武汉)
IPC: G06F18/20 , G06N3/0442 , G06N3/08 , G06Q50/26
Abstract: 本发明公开了一种基于LSTM和分位数回归的径流概率预测算法，它包括以下步骤：步骤1：数据预处理；步骤2：特征提取；步骤3：基于多任务学习的概率预测；步骤4：基于误差序列的预测值校正。本发明提出的模型由长短时记忆网络、分位数回归模块和实时误差校正模块组成。其中长短时记忆网络可以挖掘径流数据潜在的时序特征，分位数回归可以实现在没有先验假设的前提下获取概率预测结果，实时误差校正模块可以进一步提高预测精度，缩小预测区间。三者结合提升了模型的准确度并使概率预测更加接近真实分布。
-
公开(公告)号：CN111275253B
公开(公告)日：2022-09-20
申请号：CN202010045809.1
申请日：2020-01-15
Applicant: 中国地质大学(武汉)
Abstract: 本发明公开了一种融合深度学习和误差校正的径流概率性预测方法及系统，本发明提供的基于深度学习和高斯混合模型的径流概率性预测方法，能提供相比传统机器学习更高的径流预测精度。本发明提供的基于深度学习和高斯混合模型的径流概率性预测方法，能在深度学习基础上，提供概率性的预测结果。
-
公开(公告)号：CN111275253A
公开(公告)日：2020-06-12
申请号：CN202010045809.1
申请日：2020-01-15
Applicant: 中国地质大学(武汉)
Abstract: 本发明公开了一种融合深度学习和误差校正的径流概率性预测方法及系统，本发明提供的基于深度学习和高斯混合模型的径流概率性预测方法，能提供相比传统机器学习更高的径流预测精度。本发明提供的基于深度学习和高斯混合模型的径流概率性预测方法，能在深度学习基础上，提供概率性的预测结果。
-
公开(公告)号：CN111860974A
公开(公告)日：2020-10-30
申请号：CN202010613418.5
申请日：2020-06-30
Applicant: 中国地质大学(武汉)
Abstract: 本发明提供了一种基于状态空间和联合分布的干旱多级预测方法，包括：首先提取干旱指数SPI时间序列，利用一阶状态空间模型解译干旱指数SPI时间序列的状态转移矩阵，并计算待预测时段的干旱状态概率矩阵；然后提取待预测时段前一时段的相关因子，构建每种干旱状态下的相关因子和干旱指数SPI时间序列的联合概率分布，推求相关因子给定情况下的干旱指数的条件概率模型；最后，计算待预测区域在待预测时段T的干旱指数的全状态分布；基于所述干旱指数的全状态分布，计算得到干旱指数的均值和90％概率区间。本发明的有益效果是：状态空间方法能反映干旱不确定性本质；通过多重预测和分类别引入影响因子能提高干旱预测的精度；过程考虑更加全面和精细化。
-
-
-
-
Search Results
5
records
(took 0.033 seconds)
